今天小羊更新的是最近复现的SCI论文,我将会分三次来进行介绍。本次文章主要讲解DMSP/OLS数据下载以及处理。
一、引言(部分)
经济的快速发展需要更好的监测和预测方法。国内生产总值(GDP)被广泛视为衡量一个国家或地区可持续经济发展的主要指标之一。它为区域经济发展和制定可持续发展战略提供了新的基础,以预测不同规模的经济发展。GDP数据主要来自国家统计局或其他行政部门的调查。尽管它们具有权威性,但它们有内在的局限性(例如,“注水”和统计数据方法带来的不确定性)。NTL图像提供了从空间直接观察人类活动的独特机会,使得绘制城市区域、估计人口和城市化以及监测灾害和冲突等许多应用成为可能。同时,发现NTL与GDP之间存在很强的相关性,使利用NTL来构建GDP预测模型成为一种可能。现有的GDP预测模型,研究往往集中在省级和市级的角度,很少有研究在国家层面上进行GDP预测。本研究旨在通过对中国所有省份进行GDP预测来填补这一空白。
二、数据下载
- DMSP/OLS数据下载网址:
- 全国矢量边界图(不包含十段线)
链接:https://pan.baidu.com/s/1E1TcHUt2-dR_d4w0AtI_WQ
提取码:0946
三、数据处理
图 1 所示为未经校正的中国区域的所有亮值像元的 DN 值总和( totalDN value,TDV) 。可以看出:
①同一年份的数据可由不同传感器进行获取,且不同传感器获取的亮值像元总数量不一致、总 DN 值不一致;
②同一传感器获取的不同年份的像元总数量、总 DN 值存在异常波动;
③由于以上两个问题的存在,导致多期夜间灯光影像间数据不连续、不可比;
④由于传感器光谱分辨率的限制,使得城市中心区域的像元值集聚饱和,DN 值最大为 63,使得城市中心地带的差异不明显。
TDV 的计算公式为:
式中,DNi 表示 i 像元的 DN 值; Ni 表示 i 像元的数量。
图1 未校正中国区域的TDV
1、TDN数据统计
那么以上的数据TDV是怎么统计出来的呢?我们可以用我们的老朋友模型构建器。通过掩【Spatial analyst】-【提取分析】-【按掩膜提取】将中国区域提取出来。然后利用【投影栅格】将其投影为Krassovsky_1940_Albers(更适合中国区域)。由于需要构建属性表来统计DN像元值,那么就需要利用【以表格显示分区统计】工具,但是使用这个工具的前提是,将数据转换为整型。因此需要使用【分析工具】-【数学分析】-【转为整型】来实现。并在表格中添加浮点型TDV字段。
图2模型构建器统计TDV
属性表构建完成后,在利用字段计算器键入一下表达式求取TDV,然后在对TDV字段进行统计。依照上述办法来完成1992-2013年的数据统计。
2、相互校正与饱和校正
将 1992—2013 年的 34 期待校正的稳定灯光影像与辐射定标产品数据中的 2006 年 F16 传感器的数据进行相互校正、饱和校正。利用RSR校正模型进行校正,校正参数如下表所示
式中,DN 表示校正前的亮度值; a、b、c 为回归系数; DNcorrect表示校正后的 DN 值。
年份 |
a |
b |
c |
R2 |
年份 |
a |
b |
c |
R2 |
||
F10 |
1992 |
0.036 |
0.337 |
2.581 |
0.85 |
F14 |
2001 |
0.032 |
0.56 |
0.487 |
0.869 |
1993 |
0.045 |
0.334 |
2.15 |
0.85 |
2002 |
0.023 |
0.631 |
0.356 |
0.888 |
||
1994 |
0.039 |
0.518 |
1.252 |
0.85 |
2003 |
0.02 |
1.173 |
-0.215 |
0.855 |
||
F12 |
1994 |
0.039 |
0.599 |
0.277 |
0.854 |
F15 |
2004 |
0.024 |
1.146 |
-0.153 |
0.901 |
1995 |
0.034 |
0.513 |
0.485 |
0.851 |
2005 |
0.026 |
0.872 |
0.123 |
0.855 |
||
1996 |
0.037 |
0.479 |
0.511 |
0.862 |
2006 |
0.015 |
1.076 |
-0.081 |
0.894 |
||
1997 |
0.03 |
0.56 |
0.413 |
0.877 |
2007 |
0.018 |
0.977 |
0.086 |
0.892 |
||
1998 |
0.027 |
0.511 |
0.481 |
0.876 |
2004 |
0.022 |
0.809 |
0.231 |
0.866 |
||
1999 |
0.029 |
0.502 |
0.454 |
0.866 |
2005 |
0.022 |
0.919 |
0.096 |
0.887 |
||
F14 |
1997 |
0.035 |
0.893 |
0.165 |
0.863 |
F16 |
2006 |
0.019 |
0.92 |
0.1 |
0.924 |
1998 |
0.036 |
0.731 |
0.229 |
0.865 |
2007 |
0.019 |
0.701 |
0.31 |
0.888 |
||
1999 |
0.028 |
0.901 |
0.124 |
0.863 |
2008 |
0.012 |
0.625 |
0.381 |
0.868 |
||
2000 |
0.024 |
0.606 |
0.346 |
0.873 |
2009 |
0.018 |
0.512 |
0.482 |
0.872 |
||
2001 |
0.021 |
0.78 |
0.188 |
0.862 |
F18 |
2010 |
0.021 |
0.146 |
1.525 |
0.851 |
|
2002 |
0.017 |
1.018 |
-0.113 |
0.876 |
2011 |
0.02 |
0.51 |
0.901 |
0.851 |
||
2003 |
0.017 |
1.096 |
-0.101 |
0.89 |
2012 |
0.017 |
0.483 |
0.508 |
0.852 |
||
2000 |
0.028 |
0.578 |
0.485 |
0.878 |
2013 |
0.016 |
0.271 |
2.68 |
0.85 |
利用【spatial analyst 工具】-【地图代数】-【栅格计算器】,进行计算,如图以2006年为例进行计算。
3、年内融合
不同传感器获取的同一年份的数据不一致,为了充分利用各独立传感器获取的数据,同时为了能够解决传感器获取数据的不连续问题,研究按照下式,对相互校正及饱和校正后的部分影像进行年内融合。需要进行年内融合的年份包括: 1994、1997—2007 年。年内融合包括: ①两幅影像对应的某像元的 DN 值,均为 0,则该像元的 DN 值为 0; ②否则,取二者的平均值作为该像元的 DN 值。
式中,n = 1994,1997,1998,…,2007; DNa ( n,i) 、DNb ( n,i) 分别表示相互校正、饱和校正后 n 年的两个不同传感器获取的 i 像元的 DN 值; DN( n,i) 表示影像年内融合校正后 n 年的 i 像元的 DN 值。仍旧利用【spatial analyst 工具】-【地图代数】-【栅格计算器】,进行计算,如图以2006年为例进行计算,校正公式:
Con(("xhjz_f10_1994"!=0) & ("xhjz_f12_1994"!= 0),("xhjz_f10_1994" + "xhjz_f12_1994") / 2,0)
4、年际间校正
经过年内融合之后,仍然存在不同年份之间的影像不可比的现象,因此对其进行年际间校正。校正依据是: 后一年的像元 DN 值应该不小于前一年同一位置的像元 DN 值。如式( 4) 所示,年际间校正包括: ①后一年的某像元 DN 值为 0,则前一年的同 一位置的像元 DN 值也为 0; ②前一年的某像元的DN 值大于后一年同位置的像元 DN 值,则将前一年的 DN 值赋值给后一年该位置的像元 DN 值; ③否则,后一年的像元DN值为本身的DN值。
式 中,n = 1992,1993,1994,…,2013; DN( n-1,i) 、DN( n,i) 、DN( n+1,i) 分别表示影像的像元 i 在 n-1、n、 n+1年的 DN 值。如图2006年的校正公式:
Con("rh1997" == 0,0,Con(("rh1997" > 0) & ("rh1997" > "rh1997"),"rh1997","rh1998"));
让我们以2006年为例,看一看,每步校正后的变化吧。
最后再依照上述的统计步骤,对校正后的数据进行统计,可以看到现在1992-2013年夜光遥感数据呈呈现出相当平滑的上升模式。
四、参考文献
【1】卢秀,李佳,段平,等.中国区域 DMSP /OLS 夜间灯光影像的校正[J].测绘通报,2019( 7) : 127-131.DOI: 10.13474 /j.cnki.11-2246.20190234.